在美國讀理工科很好找工作嗎？不盡如此

全美範圍內，教育的重中之重可以被總結爲由四個首字母構成的縮略詞：STEM。這是情有可原的。精通科學(science)、技術(technology)、工程(engineering)和數學(mathematics)，對任何一個想要促進經濟增長、推動科技創新、創造工作崗位的國家來說都至關重要。

STEM運動已開展多年，得到了秉持各種意識形態的政策制定者的支持，受到了各個地方的學校以及從基督教女青年會(YWCA)到男童子軍(Boy Scouts)等諸多組織的歡迎。目前，這個由國家科學基金會(National Science Foundation)率先提倡和推廣的概念，正被當成描述性識別符來使用。“她是一個STEM”，通常有恭維之意，指的是在大學入學資格大抽獎中具有優勢的人。

公衆對STEM教育的很大一部分興趣是基於這樣一種假設：這些領域有大把的工作機會。有些的確有，有些則不然。STEM是很寬泛的範疇，跨越很多學科和職業，從軟件工程師和數據科學家，到地質學家、天文學家和物理學家。

最近的研究越來越清楚地表明，高薪STEM工作崗位中，“T”類崗位數量最大（尤其是計算機類）。

今年早些時候，招聘網站Glassdoor按本科所學專業，對勞動者步入職場前五年的基本工資中位數做了排名。計算機科學位居榜單首位（70,000美元），第二名是電子工程（68,438美元）。該研究所涉專業工資墊底的是生物技術（48,442美元）和生物化學（46,466美元）；研究還表明，在STEM專業中，女性的比例總體而言是偏低的。

“計算機技術的地位與傳統科學大相徑庭，”Glassdoor的首席經濟學家安德魯·張伯倫(Andrew Chamberlain)說。

領英(LinkedIn)的研究人員列出過需求量最大的技能。去年的前十名都是計算機類技能，其中包括雲計算、數據挖掘、統計分析、編寫智能手機應用程序等專門技能。

在近期的分析中，華盛頓大學(University of Washington)的計算機科學教授愛德華·拉佐夫斯卡(Edward Lazowska)關注了美國勞工統計局(Bureau of Labor Statistics)對STEM領域的勞動用工預測。在截至2024年的10年間，新增的STEM工作崗位有73%會是計算機類職位，而物理科學和生命科學類職位分別只佔3%。

科學教育與政策專家邁克爾·S·泰特鮑姆(Michael S. Teitelbaum)表示，所有美國人都應該掌握起碼的科學和數學原理。但他認爲，一些STEM的擁護者——通常是科技公司的高管和說客——發出的警告是有害處的，他們說美國正面臨令人擔憂的STEM勞動者短缺問題，然而這種警告所依據的短缺出現在相對較少的幾個快速發展的領域內，比如數據分析、人工智能、雲計算和計算機安全等。

“將其泛化至STEM涉及的所有領域，會造成誤導，”身爲哈佛法學院(Harvard Law School)勞動和工作生活項目(Labor and Worklife Program)高級研究員的泰特鮑姆說。“我們在誤導大批年輕人。”

STEM專業的失業率或許很低，但並非所有本科畢業生最終都能找到與專業對口的工作：美國國家科學基金會(National Science Foundation)2013年的一項調查顯示，生命科學畢業生只有13%找到了專業對口的工作，物理學只有17%。計算機科學是STEM領域唯一實現半數以上畢業生找到對口工作的學科。

如果物理學家和生物學家想要在數字經濟繁榮發展的時代分一杯羹，少數專家型初創公司會培訓他們，爲他們找到數據科學家、人工智能程序員之類的工作。

洞見數據科學人才培養項目(Insight Data Science Fellows Program)在紐約、波士頓、西雅圖和加州帕洛阿託都有辦事處，於五年前開啓了其第一個培訓項目，目前已有900名受訓者進入Facebook、領英、Airbnb、亞馬遜(Amazon)和微軟(Microsoft)等公司工作。該項目創始人是物理學家傑克·克拉姆卡(Jake Klamka)，他之前總是聽硅谷的高管們說他們考慮過聘請傳統科學家，但把這些人變成技術專家似乎既耗時間又有風險。於是克拉姆卡判定，他可以創辦一家公司，幫助科學家更順暢地進入科技行業。

卡洛斯·法哈姆(Carlos Faham)走的就是這條路。他的學術生涯成就卓著，獲得過一系列助學獎和獎學金。他在布朗大學(Brown University)獲得的博士學位是暗物質物理學方向。從那裡畢業後，他曾在勞倫斯伯克利國家實驗室(Lawrence Berkeley National Laboratory)從事博士後研究。

法哈姆很喜歡在那裡做研究，但過了近兩年後，他感受到了生活的壓力。那時他已經在大學、研究生院和碩博研究領域度過了12年。他的下一步將是在全國各地爭取爲數不多的終身教授職位。在消費水平很高的灣區，他賺的還不夠。一名博士後研究員通常每年掙4萬到6萬美元。

法哈姆爲自己的物理學研究做過認真的計劃。他申請過科技公司的一些職位，認爲他們會渴望僱傭一個有他這種學術能力的人。但他得不到面試機會。他們說他的背景太學術化了。在幾次電話篩選面試中，他表現得很笨拙，因爲他並不熟悉統計和機器學習方面的問題。

“感覺就像全速撞到一面牆上，真的很丟臉，”他回憶說。

2015年，法哈姆參加了爲期七週的洞見數據科學人才培養項目。該項目沒有正式的課程。除了業內人士的一些指導課，剩下的時間都用來製作一個產品——他的產品是一個在視頻中識別和跟蹤人臉的軟件——以及面試培訓。後者涉及在白板上解決一個編程問題，並解釋他的想法。“面試就像肌肉，必須反覆練習，”他說。項目結束後，他得到了六個工作機會。他接受了LinkedIn的邀約（該項目不向參與者收費，招聘公司沒有透露自己支付的費用）。

如今，33歲的法哈姆是一名高級數據科學家，他所在的團隊利用機器學習和統計模型來偵測社交網絡上的非法活動，包括虛假招聘機會、廣告欺詐、垃圾郵件和機器人攻擊。

他說，數據密集型偵查工作的範圍“很廣”，“發展速度比我之前的世界快得多”。他現在的薪水“相當不錯，達到了六位數”，大約是他做博士後研究員時的五倍。

該公司表示，在參與洞見數據科學人才培養項目的人中，約有90%的人得到了做數據分析師的工作，退學率約爲3%。

阿納蘇亞·達斯(Anasuya Das)也做了類似的職業轉變，但並沒有過多偏離自己的專業背景。項目結束後，擁有神經科學博士學位的達斯加入了紐約的紀念斯隆·凱特林癌症中心(Memorial Sloan Kettering Cancer Center)，現在她是那裡的高級數據科學家。她所在的團隊爲該中心的醫生、護士和研究人員創建軟件工具。目前的一個項目是根據每位癌症患者的病史、年齡、性別和基因，推薦最可能有效的臨牀試驗。

達斯說，數據科學與神經科學截然不同，但她使用的某些工具，比如一種被稱爲人工神經網絡的機器學習技術，確實是受到大腦的啓發。她的經歷反映出一個更大的趨勢：數據科學和人工智能等數字技術正越來越多地被應用於幾乎所有學科。也就是說，技術和STEM的其他領域融合在了一起。

加州大學伯克利分校(University of California, Berkeley)正是出於這方面的考慮，創設了全新的數據科學部。它是爲迴應學生需求和技術進步而設立的。伯克利分校的“數據科學基礎”課程在上個學年吸引了50多個專業的1200名學生。

暫任數據科學部主任的戴維·考勒(David Culler)解釋說，稱它爲“部”(division)而非“學院”是爲了強調它的思維。“我們希望它是整個大學的基礎性部門，與其他學科共同創新，而不是與它們區別開來，”他說，“這是整體經濟動向在學術界的反映。”